Un equipo de investigadores del sistema de salud Mass General Brigham, en Estados Unidos, desarrolló un modelo de inteligencia artificial fundacional denominado FAHR-Face (Foundational AI for Health Recognition-Face), entrenado con más de 40 millones de fotografías de rostros humanos para extraer biomarcadores de salud y longevidad a partir de la morfología facial. Los resultados de la investigación fueron dados a conocer en la revista científica The Lancet Digital Health.
El desarrollo comprende dos algoritmos complementarios que evalúan regiones anatómicas diferenciadas para realizar sus estimaciones clínicas:
- FAHR-FaceAge: Diseñado para calcular la edad biológica del paciente, enfocando su análisis en los surcos nasogenianos, la frente y las sienes. El estudio demostró que la desviación entre la edad biológica estimada y la cronológica se correlaciona de manera independiente con la supervivencia. En una cohorte de más de 38.000 pacientes oncológicos sometidos a radioterapia, aquellos cuya apariencia facial superaba en cinco o más años a su edad real presentaron un riesgo de mortalidad un 21% mayor durante el período de seguimiento (media de cuatro años), en contraste con los pacientes que aparentaban cinco años menos, quienes mostraron un riesgo un 17% menor.
- FAHR-FaceSurvival: Orientado a predecir directamente el riesgo de supervivencia en pacientes con cáncer mediante el análisis específico de la zona periocular (bajo los ojos) y el puente nasal. Al asignar una puntuación de riesgo de 0 a 1, el algoritmo identificó que los casos situados en los deciles más altos (0,9 a 1) registraban una mortalidad del 53% en un plazo de 90 días, frente al 2% observado en los pacientes con puntuaciones inferiores a 0,1.
Los autores señalaron que el rendimiento de FAHR-FaceAge se mantuvo estable ante variaciones de iluminación, postura, maquillaje o expresiones faciales, y confirmaron asociaciones consistentes entre un mayor envejecimiento facial estimado y factores de estilo de vida desfavorables, destacando el tabaquismo como el elemento con mayor impacto predictivo.
Desde el punto de vista clínico, los investigadores (liderados por el Dr. Hugo Aerts y el oncólogo radioterápico Raymond Mak) enfatizan que la herramienta no busca sustituir la valoración médica convencional, sino proporcionar un método cuantitativo y escalable para estimar la reserva fisiológica y la fragilidad del paciente, facilitando la toma de decisiones personalizadas ante tratamientos de alta exigencia como la cirugía, la radioterapia o las terapias sistémicas. No obstante, advierten que el modelo requiere validaciones prospectivas adicionales y la ampliación de sus cohortes para evitar sesgos demográficos antes de su eventual integración en la práctica clínica general.
